Customer Intelligence עם AI — סגמנטציה, ICP ו-Churn Prediction

1. מ-Data ל-People — מה השתנה בפרק הזה

בפרק 11 Claude נתן לך מספרים: "תעבורה עלתה ב-23%", "CAC ירד ב-12%", "הקמפיין של יום רביעי היה ה-ROI הכי גבוה". מספרים הם חצי תשובה. השאלה האמיתית היא: מי הם האנשים מאחורי המספרים האלה, ומה כדאי לי לעשות איתם מחר בבוקר?

Customer Intelligence הוא תחום שמחבר בין Analytics ל-CRM. הוא עונה על 5 שאלות פרקטיות:

1. מי הלקוח האידיאלי שלי? — ICP מוגדר בנתונים, לא בתחושות
2. איך הלקוחות שלי מתחלקים? — 3–5 סגמנטים עם גודל וערך
3. מה מניע כל סגמנט? — Buying Triggers, התנגדויות, ערוצים מועדפים
4. מי עומד לעזוב? — Churn Prediction עם סימנים מדידים
5. למי להתקשר מחר? — Prioritized Outreach List של Top 50

מה LLM יכול ומה הוא לא יכול בתחום הזה

הכללים המנחים לכל הפרק

לפני שנצלול לפעולות, חשוב להגדיר 4 עקרונות שמלווים כל מה שנעשה בפרק. אם תשכח את הטקטיקה אבל תזכור את העקרונות האלה — תגיע לתוצאות הנכונות:

1. נתונים לפני דמיון: כל החלטה שיווקית צריכה להישען על CSV שיצאת מהמערכת שלך, לא על תחושה. אם אתה לא יכול להצביע על שורות ב-Sheet שמוכיחות את ההחלטה — זו אינטואיציה, לא Customer Intelligence.
2. פרטיות לפני מהירות: עדיף להשקיע 5 דקות בהסרת PII מקובץ מאשר לקבל דיווח מרשים בתוך דקה ולגלות שהפרת את חוק הגנת הפרטיות. קבע לעצמך כלל: "קובץ לא יוצא מהמחשב שלי אם יש בו אימייל, טלפון, שם מלא או ת"ז".
3. סגמנט שלא מוביל לפעולה הוא חסר ערך: אם הגדרת סגמנט ואתה לא יכול לומר "מחר בבוקר אני עושה X ל-Y לקוחות" — הסגמנט לא שווה את הזמן שלקח ליצור אותו. כל סגמנט חייב Next Best Action ברור.
4. דגימה ידנית תמיד: Claude יכול לטעות. לפני שאתה פועל על פלט — בחר 5 לקוחות אקראיים ובדוק את הפלט ידנית. אם סטייה של יותר מ-20% — הרץ שוב עם פרומפט משופר.

2. הגדרת ICP מדויק מ-CRM קיים

ICP הוא לא "הלקוח שאני הכי רוצה שיהיה לי". ICP הוא הלקוח שבאמת מרוויח לך הכי הרבה, שהכי קל לשמר, ושהכי דומה לסיפורי ההצלחה שלך עד היום. ההבדל הזה חשוב: הרבה עסקים רודפים אחרי "לקוחות חלום" ומפספסים את "לקוחות המציאות" שהם כבר עובדים איתם.

שיטה נכונה: לא להמציא ICP — אלא לגזור אותו מהלקוחות הטובים ביותר שכבר יש לך.

4 השאלות שמגדירות ICP מנתונים

1. מי ה-Top 10 לקוחות שלי לפי LTV? (ייצוא מ-CRM)
2. מה משותף להם? (ענף, גודל, מיקום, מוצר ראשון שקנו, ערוץ הגעה)
3. מה מבדיל אותם מ-Bottom 10? (אלה שברחו או שלא משלמים בזמן)
4. מה היה הטריגר שגרם להם לקנות בפעם הראשונה?

ICP Template — העתק, הדבק, מלא

אחרי שקיבלת את הפלט מ-Claude, שמור אותו בתבנית הזו. זה מסמך שחוזר אליך כל רבעון כדי לוודא שאתה עדיין רודף אחרי הלקוח הנכון:

# ICP Document — [שם העסק] — [תאריך]

## Who
- ענף עיקרי: __________
- גודל ארגון: __________ עובדים / __________ NIS מחזור
- מיקום גאוגרפי: __________
- תפקיד מקבל ההחלטה: __________

## Why they buy
- Trigger ראשי: __________
- בעיה מרכזית שאנחנו פותרים: __________
- חלופות שהם שקלו: __________

## How they buy
- ערוץ ראשון של הגעה: __________ (Google / LinkedIn / המלצה / Meta)
- אורך מחזור מכירה ממוצע: __________ ימים
- מחיר הזמנה ראשונה ממוצע: __________ NIS
- מוצר / שירות ראשון שבוחרים: __________

## Value
- LTV ממוצע: __________ NIS
- חודשי פעילות ממוצעים: __________
- הסתברות לקנייה חוזרת: __________%

## Disqualifiers
- סוג לקוחות שלא להתמקד בהם: __________
- סיבות נפוצות לנטישה: __________

מדוע Bottom 10 חשובים בדיוק כמו Top 10

רוב הבעלים של עסקים שמגדירים ICP עוצרים אחרי ה-Top 10. טעות. הפלא של ICP טוב הוא ההשוואה בין הלקוחות שמצליחים אצלך לבין אלה שכשלו. ה-Bottom 10 אומרים לך:

• מי לא צריך אותך: לקוחות שהגיעו וברחו תוך חודש, או שלא חידשו מנוי. משהו בפרופיל שלהם גרם לחוסר התאמה.
• איפה השיווק שלך "רמאי": אם לקוחות רבים עזבו עם תלונה "לא מה שציפיתי" — סימן שהשיווק יוצר ציפייה לא מציאותית.
• איפה המוצר לא מוכן: אם ה-Bottom 10 מאופיינים בשימוש בפיצ'ר ספציפי שלא עובד — זה Signal למוצר לתקן לפני שממשיכים לגייס.
• Anti-ICP: הגדרה של "מי שאני לא רוצה לפנות אליו בפעולות שיווק". זה חוסך תקציב גוגל ופייסבוק שלם.

קח את אותו פרומפט ICP, אבל עם Bottom 10 והשאלה הפוכה: "מה מבדיל את הלקוחות האלה מה-Top 10? מה Disqualifiers ברורים?". הצמדה של שתי הרשימות זו הזו תתן לך מסמך ICP עם פי 3 יותר עוצמה.

3. הכנת ה-CSV — 10 דקות שחוסכות שעה

Claude ו-ChatGPT מצוינים בניתוח טבלאות, אבל רק אם הטבלה מוכנה. טבלה "מלוכלכת" (שורות ריקות, עברית מעורבת באנגלית, פורמט תאריכים שונה, PII מפוזר) תגרום למודל להזות ולחלק סגמנטים לא נכונים. השקעה של 10 דקות בהכנה חוסכת שעה של עבודה חוזרת.

Checklist הכנה של CSV ללקוחות

4. RFM Analysis עם Claude על 500 לקוחות

RFM הוא מודל סגמנטציה בן 30 שנה שעובד מצוין עד היום. הוא מחלק כל לקוח לפי שלושה ציונים:

• R — Recency: מתי הלקוח קנה בפעם האחרונה? (ציון 1–5, כאשר 5 = קנה לאחרונה)
• F — Frequency: כמה פעמים הלקוח קנה סה"כ? (ציון 1–5, כאשר 5 = הכי הרבה פעמים)
• M — Monetary: כמה הלקוח הוציא סה"כ? (ציון 1–5, כאשר 5 = הכי הרבה כסף)

שילוב של שלושת הציונים יוצר 125 קומבינציות תיאורטיות, אבל בפועל אנחנו ממפים ל-6 סגמנטים פעולתיים בלבד:

מה לבדוק בפלט לפני ששומרים

1. Sanity check: האם Champions באמת מביאים 40–60% מה-ARR? (חוק פארטו) אם לא, כנראה שהחלוקה לחמישונים לא עבדה טוב.
2. Coverage: סכום הלקוחות בכל הסגמנטים = סך הלקוחות? אם פחות — Claude דילג על חלק.
3. Action Diversity: האם כל סגמנט קיבל פעולה שונה? אם שני סגמנטים קיבלו את אותה המלצה — בקש הבחנה טובה יותר.
4. Sample Verification: בחר 5 לקוחות אקראיים, חשב ידנית את R/F/M שלהם ב-Excel, והשווה ל-Claude. אם סטייה של יותר מ-1 נקודה — תבקש לרוץ שוב עם הנחיות ברורות יותר.

5. סגמנטציה התנהגותית — מעבר ל-RFM

RFM נהדר אבל מחמיץ ממד אחד: איך הלקוח מתנהג. שני לקוחות עם אותו RFM (שניהם Loyal, שניהם בסכום דומה) יכולים להתנהג לגמרי אחרת: אחד נכנס לאתר 20 פעמים לפני קנייה, השני קונה מיד. סגמנטציה התנהגותית מוסיפה את הממד הזה.

5 סגמנטים התנהגותיים נפוצים

חיבור בין RFM ל-Behavioral

הקסם קורה כשמחברים את שני המודלים. לקוח שהוא גם "Champion" וגם "Research-Heavy" צריך מסר שונה מ"Champion" שהוא "Impulse Buyer". בקש מ-Claude להציג Matrix:

                Research-Heavy    Impulse    Deal Seeker
Champion            VIP Content   Exclusive  Loyalty Perk
At Risk             Case Study    Flash Sale  Last Chance Deal
Potential Loyalist  Webinar       Welcome    First-time Discount

ה-Matrix הזה הוא הבסיס ל-Personalization Engine פשוט: כל פעם שלקוח נכנס לאתר, אתה יודע לאיזו משבצת ב-Matrix הוא שייך, ומה התוכן שצריך להציג לו. לא צריך CDP מתקדם כדי להתחיל — Google Sheets עם VLOOKUP יעבוד. בפרק 13 נהפוך את ה-Matrix לחוקים אוטומטיים ב-n8n.

6. Dynamic Personas מנתונים (לא מדמיון)

פרסונות מסורתיות הן סטטיות ומדומיינות. פרסונות דינמיות הן שונות: הן נגזרות מה-RFM + Behavioral שבנית, מתעדכנות אוטומטית כל חודש, וכוללות שמות קוד שכל הצוות משתמש בהם. הפרסונה הופכת ל"שפה משותפת" לשיווק + מכירות + מוצר.

מה הופך פרסונה ל"דינמית"

1. מקור: נגזרת מסגמנטים של RFM + Behavioral, לא מדמיון
2. גודל: יודעים כמה לקוחות מייצגים אותה (לא "נכון לעסק גנרי")
3. ערך: יודעים כמה ARR מגיעה ממנה
4. רענון: מתעדכנת כל רבעון אוטומטית על בסיס Data חדש
5. פעולתיות: כוללת CTA ספציפי לקמפיין הבא

רענון רבעוני — למה פרסונה סטטית מתה תוך 6 חודשים

ההבדל הכי גדול בין פרסונות של 2016 לפרסונות של 2026 הוא הזמן שהן רלוונטיות. בעבר מחלקת שיווק בנתה פרסונה אחת והשתמשה בה שנתיים. היום שוק מתחלף מהר יותר — קמפיינים חדשים מגיעים, טרנדים משתנים, מתחרים משנים מיקום. פרסונה שלא מתעדכנת כל רבעון היא פרסונה שמטעה אותך.

שגרת עדכון פרסונות ב-4 שלבים:

1. סוף כל רבעון (30 דקות): ייצוא CSV חדש של לקוחות מ-3 חודשים אחרונים. השוואה מול ה-CSV של הרבעון הקודם — מה השתנה?
2. Delta Check (10 דקות): בקש מ-Claude: "השווה את 4 הפרסונות שבניתי ברבעון הקודם (מצורף) לעומת הנתונים החדשים. מה השינויים המהותיים?". Claude יצביע על דברים כמו: "Persona 2 גדלה ב-15% אבל ARR ממוצע ירד ב-8% — סימן שסגמנט חדש ומוזל נכנס".
3. Archive vs Update: אם פרסונה השתנתה מעל 25% — שמור את הגרסה הקודמת בארכיון ובנה אחת חדשה. אם פחות — עדכן את הקיימת.
4. Communication to Team: שלח מייל או הודעת Slack לצוות: "הפרסונה 'דני הבודק' השתנתה השבוע. עכשיו הוא צעיר ב-5 שנים והתקציב גדול ב-20%. עדכנו את הקופי בהתאם".

7. VoC בעברית — ביקורות, סקרים ופניות תמיכה

עד עכשיו עבדנו עם נתונים מספריים. אבל מחצית מהאמת על הלקוחות שלך נמצאת בטקסט חופשי: ביקורות Google, תגובות ב-Facebook, פניות תמיכה שמגיעות במייל, סקרי NPS עם שאלות פתוחות. העברית מוסיפה אתגר: סלנג, ציניות, קיצורים, וערבוב עברית-אנגלית.

5 מקורות VoC שכל עסק ישראלי צריך לנתח

הבעיה עם ניתוח סנטימנט בעברית — ומה הפתרון

מודלים של Sentiment Analysis באנגלית (כמו VADER, TextBlob) מגיעים ל-90%+ דיוק. בעברית הם מגיעים ל-60–70% בלבד בגלל ארבע תופעות:

1. סרקזם: "וואו, שירות מדהים" (אחרי שעה בהמתנה)
2. סלנג חיובי שנראה שלילי: "זה מטורף!" = מעולה
3. ערבוב שפות: "ה-service היה terrible אבל ה-food אחלה"
4. ישירות ישראלית: "לא מתאים" (ניטרלי באנגלית, שלילי חזק בעברית)

Claude ו-ChatGPT הגדולים מטפלים בזה טוב יותר — אבל רק עם Few-Shot Prompting: לתת להם דוגמאות מסומנות ואז לבקש ניתוח. בלי דוגמאות הם מחמיצים סרקזם ישראלי.

Marketing Gold — הפיכת ציטוטי לקוחות לקופי

הפלט הכי חשוב של VoC Analysis הוא "Marketing Gold" — ביטויים מדויקים שלקוחות אמרו עליך, שאפשר להכניס ישירות למודעות, ל-Landing Page ולמיילים. זה קופי שאתה לא צריך לכתוב — הלקוחות שלך כתבו אותו בשבילך. ישראלים סקפטיים במיוחד — הם לא מאמינים למסרים שיווקיים, אבל מאמינים לציטוטים של לקוחות אחרים שנשמעים אותנטיים.

איך להשתמש ב-Marketing Gold בפועל:

• ב-Landing Page: 3 ציטוטים קצרים בסקציית Social Proof, עם שם פרטי ותפקיד (לא שם מלא בגלל פרטיות). ציטוטים חייבים להיות קונקרטיים — "חסכתי 15 שעות בחודש" טוב יותר מ"השירות נהדר".
• ב-Facebook Ads: Primary Text שמתחיל בציטוט במרכאות. למשל: "זו הפעם הראשונה שאני לא צריכה להסביר לספק מה אני רוצה — הם פשוט הבינו." — יעל, בעלת מותג תכשיטים. CTR עולה ב-20–40% לעומת קופי "שיווקי" רגיל.
• ב-Email Subject Lines: השתמש בשאלה שלקוח שאל. "אתה מתלבט אם זה מתאים לעסק קטן?" — שאלה אמיתית של לקוח, תפתח מיילים יותר מ"הצטרף היום".
• ב-Hero Headline של האתר: קח את הטענה שחוזרת הכי הרבה ותהפוך אותה לכותרת. אם 30 לקוחות כתבו "סוף סוף מישהו שמבין", ה-Hero שלך הוא "סוף סוף, מערכת שמבינה את העסק הישראלי".

8. חיזוי Churn — 6 סימנים והתערבות

Churn הוא המדד הכי יקר לעסק SaaS, שירותי מנוי, ו-E-commerce עם רוכשים חוזרים. כל נקודת אחוז של Churn Rate חודשי שווה אלפי או עשרות אלפי שקלים בשנה. החדשות הטובות: Churn כמעט תמיד נותן סימנים לפני שהוא קורה. השאלה היא אם אתה מקשיב.

6 סימני Churn שכדאי לעקוב אחריהם

Win-Back Campaign — 3 שלבים לישראלים

אחרי שזיהית את Top 20 בסיכון, צריך לפעול. הנה מסע Win-Back תלת-שלבי שעובד לקהל ישראלי (ישיר, עם ערך, בלי בכי):

היררכיית התערבות — איזה לקוח מקבל איזו פעולה

לא כל לקוח ב-Top 20 ראוי לשיחת טלפון. רוב היועצים השיווקיים טועים ומשליכים את אותה התערבות על כל הרשימה. היררכיה חכמה נראית כך:

ההיגיון: ה-Effort שאתה משקיע חייב להיות פרופורציונלי ל-ARR שאתה מסכן לאבד. לקוח של 25K NIS שווה שיחה של 30 דקות. לקוח של 800 NIS שווה מייל אוטומטי בלבד. אם תתקשר לכולם — תבלה את כל השבוע בשיחות.

9. Prioritized Outreach List — Top 50 למחר בבוקר

עד עכשיו בנינו סגמנטים, פרסונות, ו-churn risk. עכשיו נייצר את הפלט הפרקטי ביותר: רשימה של 50 לקוחות / לידים שכדאי לפנות אליהם השבוע, בסדר עדיפות, עם נימוק של שורה אחת לכל אחד. זה המסמך שחוסך לך 2 שעות כל יום ראשון בבוקר.

הלוגיקה של Prioritization

כל לקוח מקבל ציון על בסיס 4 קריטריונים:

1. Expected Value: כמה הלקוח צפוי להוציא ב-90 ימים הקרובים (מ-LTV Historical)
2. Probability to Act: הסתברות שפנייה תוביל לתוצאה (מבוסס על סגמנט — Champion גבוה, Lost נמוך)
3. Urgency: חלון זמן (Churn Risk עם 7 ימים = גבוה; Onboarding עם 30 ימים = נמוך)
4. Effort: כמה זמן לפנייה (מייל = נמוך, שיחה = גבוה)

הנוסחה: Priority = (Expected Value × Probability to Act × Urgency) / Effort

איך להשתמש בפלט ב-CRM

הפלט של הפרומפט הוא CSV. יבוא אותו ל-CRM כך:

• ב-Monday: צור לוח חדש "Outreach Week [date]". עמודות: Person, Status, Priority, Action, Due Date. ייבא את ה-CSV דרך "Import from Excel".
• ב-HubSpot Israel: צור Static List חדשה. ייבא את רשימת ה-customer_ids. הוסף Property: Outreach Priority. שייך ל-Workflow "Weekly Outreach".
• ב-Fireberry / Powerlink: צור View חדש עם 50 הרשומות. הוסף שדה חופשי "Outreach Reason". הדבק את הנימוק של Claude.
• בלי CRM (Excel / Sheets): צור גיליון "Week [date]". 50 שורות. שייך כל שורה לבן אדם בצוות. תזוז מלמעלה למטה כל יום ראשון בבוקר.

מדידת ROI של Outreach List

אחרי שבוע של עבודה עם הרשימה, חשוב למדוד את התוצאות. זה מה שמבדיל בין "ניסוי חד-פעמי" ל"שגרה שבועית קבועה". טמפלט מדידה פשוט:

אם הצלחת לעבוד עם רשימה אחת ולראות תוצאות — אתה מוכן להפוך את זה לשגרה. מה שבניתי במסע הזה (CSV → Segments → Outreach List → Results) הוא לולאה שחוזרת על עצמה כל שבוע. כל שבוע Claude מייצר רשימה חדשה, אתה פונה, מודד, ומזין את התוצאות חזרה למערכת. זה בדיוק מה שפרק 13 יאוטמט.

10. הקשר ישראלי — Monday, HubSpot ו-NIS

כל מה שבנינו עד עכשיו עובד בכל מקום בעולם. אבל יש כמה התאמות ספציפיות לשוק הישראלי שחשוב לדעת — גם בכלים, גם בהתנהגות הלקוחות, גם ברגולציה.

Stack ישראלי מומלץ ל-Customer Intelligence

התנהגות לקוחות ישראלית — מה שונה

• WhatsApp Dominant: 80%+ מהלקוחות הישראליים מעדיפים WhatsApp על מייל לתקשורת ישירה. הוסף את זה כערוץ בסגמנטציה.
• שיחת טלפון לפני רכישה B2B: גם ב-SaaS, הישראלי רוצה "לשמוע בן אדם". תזמן שיחה לפני סגירה.
• חגי תשרי ופסח = הקפאת פעילות: ספטמבר-אוקטובר + אפריל יורדים ב-30–50% בשוק ה-B2B. תסגור סגמנטציה רבעונית לפני ספטמבר, לא בו.
• Price Sensitivity + FOMO: ישראלים רגישים למחיר אבל גם פוחדים לפספס. הצעות זמן-מוגבלות עובדות היטב.
• רב-שפתיות: כ-15% מהלקוחות דוברי רוסית. כ-20% דוברי ערבית. שקול פרסונות לפי שפת חיפוש.

תסריטי WhatsApp לפנייה יזומה בישראל

בישראל, WhatsApp Business הוא הערוץ האפקטיבי ביותר לפנייה יזומה — הרבה יותר מאימייל. השיטה הזו דורשת רגישות: ישראלים שונאים ספאם ב-WhatsApp יותר מבאימייל. הנה 3 טמפלטים שעובדים, מותאמים לסגמנטים מהפרק הזה:

תסריט 1 — לסגמנט Champions (לבקשת המלצה)

"היי [שם], [שם העסק] כאן. שמתי לב שאתה אצלנו כבר [X] חודשים ו[דוגמה
קונקרטית: "הזמנת 4 פעמים השנה"]. חשוב לי להגיד תודה.

יש לי בקשה אחת קטנה — אם אתה מרגיש נוח, הייתי שמח אם תוכל להשאיר לנו
ביקורת ב-Google (2 דקות): [קישור].

בכל מקרה, אם אתה צריך משהו — פה. תודה ושבוע טוב."

תסריט 2 — לסגמנט At Risk (מניעת churn)

"היי [שם], [שם העסק]. שמתי לב שלא ראיתי אותך אצלנו כבר [X] ימים
ורציתי לבדוק שהכל בסדר.

אם יש משהו שהיה לא ברור, או שחסר לך משהו — אני פה. אשמח לשמוע.

ואם כל מה שאתה צריך זה דחיפה קטנה — יש לנו הטבה של [X]% עד יום ה'
בלבד, בתור לקוח ותיק. פשוט תגיד."

תסריט 3 — לסגמנט Potential Loyalists (הצעה שנייה)

"היי [שם], [שם העסק]. אני רואה שהתחלת איתנו לפני [X] שבועות — אני
מקווה שההתחלה טובה.

בהתבסס על [המוצר שקנית], יש לי המלצה אישית: לקוחות שקנו את [X] רגילים
לחזור אלינו בשביל [Y]. אם זה נשמע מעניין — אני כאן עם עצה חינם,
בלי מחויבות. פשוט תשאל."

שלושת התסריטים חולקים 3 מאפיינים: (1) קצרים — ישראלים לא קוראים הודעות ארוכות ב-WhatsApp. (2) מדויקים — כל אחד מזכיר נתון קונקרטי על הלקוח, מה שמעיד שזה לא ספאם. (3) ללא לחץ — מציעים ערך, לא דורשים. זה ההבדל בין שגריר מותג למציק שתחסום אותו.

רגולציה ישראלית 2026 — מה צריך לדעת

• חוק הגנת הפרטיות תיקון 13: חובה לקבל הסכמה מפורשת לפני שימוש במידע אישי, כולל ייעוץ מ-AI.
• חוק הספאם הישראלי: Win-Back Emails חייבים לכלול אופציית הסרה ברורה. מי שביקש להסיר — אסור לשלוח שוב לעולם.
• GDPR לעסקים עם לקוחות אירופאים: אם יש לך לקוחות באיחוד האירופי, חובה Data Processing Agreement (DPA) מול Anthropic / OpenAI.
• חוק נגישות לאנשים עם מוגבלות: אימיילי Win-Back חייבים לעבור בדיקת נגישות (alt text לתמונות, כותרות היררכיות, ניגודיות).

11. תרגיל מסכם — Segment Map מלא

עד עכשיו עשית שלושה תרגילים נקודתיים. התרגיל המסכם הזה מחבר הכל למסמך אחד שיהפוך לקובץ העבודה הקבוע שלך. זה הקובץ שתחזור אליו כל רבעון ותעדכן.

12 הפרומפטים שחייבים להיות בספריית ה-Customer Intelligence שלך

לאורך הפרק השתמשנו ב-8 פרומפטים שונים. בספריית פרומפטים מסודרת כדאי לשמור 12 — ארבעה נוספים לתרחישים שחזקו על הדרך. זו ספרייה שחוזרים אליה בכל רבעון, משפרים וממשיכים:

1. ICP מ-Top 10: גזירת ICP מהלקוחות הטובים ביותר
2. ICP Bottom 10: זיהוי Anti-ICP ו-Disqualifiers
3. RFM Analysis: ציון R+F+M וחלוקה ל-6 סגמנטים
4. Behavioral Segmentation: 4–6 דפוסי התנהגות מ-GA4 + CRM
5. Dynamic Personas: 4 פרסונות עם שמות קוד ו-Copy Hook
6. VoC Few-Shot: ניתוח סנטימנט עברי עם דוגמאות מסומנות
7. Review Mining: חילוץ Themes ו-Marketing Gold מביקורות
8. Churn Risk Assessment: ציון סיכון 0–100 ל-Top 20 לקוחות
9. Win-Back Sequence: 3 מיילים לסגמנט At Risk בעברית ישירה
10. Prioritized Outreach: Top 50 לקוחות לפנייה עם נימוק
11. Quarterly Delta: השוואה בין פרסונות של רבעון זה לקודם
12. Segment Report to Team: סיכום חודשי לניהול + מכירות

שמור את הקובץ הזה ב-prompts-library/customer-intelligence.md. בכל פעם שאתה משפר פרומפט — עדכן את הגרסה בקובץ. תוך 3 חודשים תהיה לך ספרייה שמייצרת עבורך ניתוחי לקוחות ברמה שיועצים גובים עליה 10,000 NIS לדוח בודד.